标签
文章认为，用户数据是一个巨大的未开发市场（未来10年约5万亿美元），但由于隐私法规和用户抵制，至今未被捕获；唯一的有效模式是以数据换取个性化服务，而非现金。
本文指出，当前的AI记忆产品优先考虑个性化而非真实性和可问责性，导致系统积累矛盾且无法可靠修正；文章质疑个性化是否足以用于生产环境。
本文引入了发展性句子补全测试（DSCT），用于评估大语言模型识别文本中发展性认知阶段的能力。研究发现，模型在合成人设上的表现优于真实人类回答。
Sam Altman 表示，新 ChatGPT 模型与其人格设定及个性化功能的结合，标志着该平台已跨越一个重要门槛或开启了新方向。
本文介绍了 CLIPer，这是一种在推理时利用分类器个性化大语言模型（LLM）输出的方法，避免了大规模微调带来的计算成本。
本文介绍了 Omni-Persona，这是首个涵盖文本、图像和音频的全模态个性化综合基准测试。该基准包含 Persona Modality Graph（角色模态图）以及用于评估接地（grounding）行为的新指标 Calibrated Accuracy（校准准确率）。
NanoResearch 是一个多智能体框架，旨在通过协同进化技能、记忆和策略，适应个人用户的偏好和研究风格，从而实现个性化研究自动化。
作者开发了一套可移植的用户偏好档案系统，该系统可与 ElevenLabs 和 Pipecat 代理集成，使语音助手能够跨平台记忆用户的风格与兴趣，从而跳过冗余的引导流程。
本文认为，人工智能的未来不在于更好的提示，而在于建立私有的人机协议，为自主智能体定义个人工作风格、边界和安全规则。
一位研究人员利用 LLM、记忆机制和主动式智能体，构建了一个个性化的 Hacker News 信息流，只推送与其研究兴趣相关的内容，彻底告别书签管理。
摘要：我们提出了一个基于理论支持的模拟学习者评估教育阅读材料自适应个性化的框架。该系统从开放式教科书构建学习目标和知识组件本体，在基于浏览器的本体图谱中进行管理，用本体实体标注教科书片段，并生成对应的阅读-评估配对。模拟读者通过受建构-整合启发的记忆模型阅读文章，该模型整合了DIME风格的读者因素、KREC风格的错误概念修正，以及开放式的New Dale-Chall可读性信号。答案通过基于得分的选项选择在学习者的显性记忆状态上生成，而BKT驱动自适应过程。在三个采样学科本体和每个条件匹配队列的50名模拟学习者中，自适应阅读显著改善了计算机科学成果，在无机化学中产生了较小但不确定的正向收益，在普通生物学中表现为中性至略负。
FSPO提出了一种用于大语言模型个性化的少样本偏好优化算法，该算法将奖励建模重新定义为元学习，使模型能够从有限的用户偏好中快速推断出个性化的奖励函数。该方法通过精心构建合成偏好数据集，在合成用户上实现了87%的个性化性能，在真实用户上实现了70%的个性化性能。
Google 已更新 Gemini 应用，引入个人智能（Personal Intelligence）和 Nano Banana 2 技术，允许用户利用 Google 相册库生成个性化图像，而无需编写冗长的提示词。
OpenAI Academy宣布为ChatGPT推出个性化功能，包括自定义指令和记忆能力，允许用户定制ChatGPT的行为，并让其跨对话记住用户偏好。
PersonaVLM 提出了一种个性化多模态大语言模型框架，通过记忆保留、多轮推理和响应对齐实现长期用户适应，在新推出的 Persona-MME 基准测试中比 GPT-4o 高出 5.2%。
TRUSTBANK 已将由 OpenAI API 驱动的 AI 代理集成到其 Furusato Choice 平台中，通过对话式推荐和智能搜索帮助用户个性化故乡纳税礼品。
Chime 的首席营销官 Vineet Mehra 探讨了 AI 如何通过“代理化”变革营销——从以活动为中心的结构转向 AI 驱动的代理模型，实现大规模实时个性化，打破品牌营销与效果营销之间的壁垒，并需要首席营销官自上而下地推动 AI 的采用。
OpenAI 推出 ChatGPT Pulse，这是一项新的移动功能，可根据用户的聊天记录、反馈和已连接的应用（如 Gmail 和 Google Calendar）主动提供个性化每日更新。该功能首先向 Pro 用户推出，计划逐步扩展到 Plus 和免费用户。